I.2Синтез, понимание и проверка знаний

efederici/multilingual-e5-small-4096 — версия модели multilingual-e5-small с архитектурой Local-Sparse-Global, созданная на основе intfloat/multilingual-e5-small. Она предназначена для получения эмбеддингов запросов и текстовых фрагментов, в том числе для поиска и ранжирования пассажей, например в сценариях на основе MS MARCO. Модель поддерживает контекст до 4096 токенов и содержит 124,3 млн параметров; репозиторий использует формат PyTorch. Модель подходит для семантического поиска, сопоставления текстов и построения retrieval-компонента RAG. Метаданные указывают на многоязычную поддержку; среди явно перечисленных языков есть английский, немецкий, французский, испанский, арабский, китайский? (not listed). Лицензия в предоставленных данных не указана.

SeyedAli/Multilingual-Text-Semantic-Search-Siamese-BERT-V1 — модель эмбеддингов на базе BERT, разработанная в рамках Community Week Hugging Face. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 и предназначена для семантического поиска: сопоставляет запросы с релевантными документами по смыслу. Модель дообучена на примерно 215 млн пар «вопрос — ответ» из разных источников с контрастивной функцией потерь; базовая модель — nreimers/MiniLM-L6-H384-uncased. Модель содержит 25,9 млн параметров, использует mean pooling и поддерживает контекст до 512 токенов; при этом обучение проводилось на текстах длиной до 250 токенов, поэтому более длинные входы могут давать менее надёжные результаты. Нормализация векторов позволяет использовать скалярное произведение вместо косинусного сходства для ранжирования. Доступны форматы PyTorch, Safetensors и TensorFlow. Сведения о лицензии в предоставленных источниках отсутствуют.

OrcaDB/mxbai-large — текстовая модель эмбеддингов предложений из семейства Mixedbread mxbai-embed-large-v1. Она преобразует предложения и фрагменты текста в векторы для поиска, сравнения семантической близости и других задач векторного поиска. Архитектура — плотная модель на базе BERT с 433,9 млн параметров и контекстом до 512 токенов. Модель рассчитана прежде всего на англоязычный текст. Для поисковых запросов при retrieval следует добавлять префикс «Represent this sentence for searching relevant passages:»; для остальных входов специальный префикс не требуется. Поддерживаются Matryoshka Representation Learning и бинарное квантование, позволяющие сокращать размерность и объём хранения эмбеддингов. README сообщает о сильных результатах на MTEB для моделей размера BERT-large. Модель опубликована по лицензии Apache-2.0. Карточка отмечает, что у версии есть ограничения, которые планировалось устранить в v2, но конкретные ограничения не перечисляет.

Nemotron-3-Nano-Omni-AEON-Ultimate-Uncensored-BF16 — экспериментальная модификация мультимодальной модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16 от AEON-7. Это вариант BF16 с удалённым механизмом отказов методом ортогонализации подпространства в остаточном потоке; модель предназначена для диалогов, рассуждений, генерации кода и работы с изображениями и аудио. Архитектура NemotronH сочетает Mamba2, attention и MoE; в мультимодальный стек входят зрительная башня RADIO и аудиоэнкодер Parakeet. Метаданные указывают поддержку английского языка и задач генерации текста и any-to-any. Автор сообщает, что мультимодальные веса сохранены без изменений, а в точечных проверках сохранились арифметика, перевод, код и другие навыки. При этом релиз помечен как альфа: внутренние испытания выявили зацикливание рассуждений, пустые или повторяющиеся ответы и ухудшение в многоходовых диалогах; разработчик рекомендует считать модель исследовательским артефактом. Лицензия в метаданных обозначена как other, поэтому условия использования следует уточнить по карточке модели.

Карточка модели Nerdofdot/Nerdofdot_nickprock_sentence-bert-base-italian-uncased_TM_FTM на Hugging Face совпадает с карточкой Nerdofdot/Nerdofdot_nickprock_mmarco-bert-base-italian-uncased_TM_FTM, поэтому описание составлено по ней. Nerdofdot/Nerdofdot_nickprock_mmarco-bert-base-italian-uncased_TM_FTM — модель на базе BERT, подготовленная в формате Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она предназначена для поиска семантически похожих текстов и может применяться для кластеризации и семантического поиска. Обучение использовало TripletLoss с евклидовой метрикой и отступом 0,4; объём модели составляет 137,1 млн параметров, максимальный контекст — 512 токенов. Модель принимает текст и возвращает векторные представления, которые можно сравнивать для оценки сходства. Название указывает на итальянскую uncased-версию mMARCO-BERT, однако README не приводит явного подтверждения базовой модели или поддерживаемых языков. Репозиторий содержит веса в формате safetensors. Условия лицензии в доступных данных не приведены.

mlx-community/nomicai-modernbert-embed-base-bf16 — преобразованная в формат MLX модель эмбеддингов, опубликованная mlx-community. Она основана на nomic-ai/modernbert-embed-base и использует архитектуру ModernBERT-base; в метаданных указано 149 млн параметров и контекст до 8192 токенов. Модель предназначена для получения текстовых эмбеддингов и оценки сходства предложений, например для семантического поиска и сравнения текстов. Карточка указывает на английский язык; формат MLX позволяет использовать модель через mlx-embeddings на совместимом оборудовании Apple. Лицензия — Apache-2.0.

nomic-embed-text-v1-GGUF — это набор файлов модели для построения векторных представлений текста в формате GGUF, совместимом с llama.cpp. Модель разработана Nomic и основана на nomic-embed-text-v1 с архитектурой BERT. Она предназначена для извлечения признаков, сравнения семантической близости предложений, поиска и построения RAG-приложений. Поддерживается английский язык, а перед каждым текстом требуется указывать соответствующий префикс задачи, например search_query:. Модель рассчитана на работу с текстом и поставляется в вариантах квантования Q2_K–Q8_0, F16 и F32, размер которых составляет примерно от 48 до 262 МиБ. llama.cpp использует контекст длиной 2048 токенов по умолчанию; для поддержки полного контекста в 8192 токена необходимо выбрать совместимый метод расширения контекста и параметры RoPE scaling. Разные варианты квантования позволяют выбирать компромисс между размером файлов и точностью эмбеддингов; README приводит среднеквадратичную ошибку относительно реализации Sentence Transformers. Сильными сторонами являются компактные GGUF-файлы, совместимость с llama.cpp и наличие нескольких уровней квантования для запуска на устройствах с разными ресурсами. Ограничения включают необходимость использовать task-префиксы, зависимость расширенного контекста от дополнительных настроек и отсутствие заявленной мультимодальности. Модель распространяется по лицензии Apache-2.0.

swardiantara/one-crk1-m0.5-e5-b128-L6 — модель на базе BERT, созданная с помощью Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерности 384. Её можно применять для семантического поиска и кластеризации текстов; метаданные также указывают поддержку извлечения признаков и сходства предложений. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и сохраняется в формате safetensors. Модель обучалась с ContrastiveLoss и косинусной метрикой расстояния. README не называет обучающие данные и конкретные языки, поэтому языковую специализацию установить нельзя. Лицензия в предоставленных данных не указана.

Модель moshew/paraphrase-mpnet-base-v2_SetFit_sst2_nun_training_64 — sentence-transformers на базе MPNet, разработанная автором репозитория moshew. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. В карточке указано обучение с CosineSimilarityLoss; название репозитория также указывает на SetFit и SST-2, но подробности обучающих данных и результатов не приведены. Модель подходит для поиска похожих фраз и группировки текстов по смыслу. Язык и лицензия в предоставленных источниках не указаны.

Penguin-VL-8B — компактная зрительно-языковая модель Tencent, построенная на базе Qwen3-8B и разработанная для обработки изображений, документов и видео вместе с текстом. Модель содержит около 7,6 млрд параметров и использует архитектуру PenguinVLQwen3ForCausalLM: визуальный энкодер, инициализированный текстовой моделью Qwen3-0.6B, лёгкий MLP-проектор и языковую основу Qwen3. Для понимания видео применяется сжатие токенов с учётом временной избыточности кадров. Модель предназначена для диалоговых запросов по визуальному содержимому: ответов на вопросы по изображениям и видео, OCR, анализа диаграмм и документов, а также мультимодальных рассуждений. В README сообщается о конкурентных результатах на тестах для изображений, документов, OCR, математики и видео; контекст составляет 40 960 токенов. Метаданные указывают английский язык, библиотеку Transformers и лицензию Apache-2.0. Хотя README описывает визуальные и видеовозможности, pipeline_tag и каталог классифицируют репозиторий как text-generation. Не следует считать приведённые результаты гарантией качества на произвольных данных; README не уточняет ограничения по разрешению, длительности видео и аппаратным требованиям.

AISE-TUDelft/python-parameters-classifier — модель эмбеддингов на базе MPNet, опубликованная AISE-TUDelft. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CosineSimilarityLoss и подходит для построения семантического поиска и группировки текстов по смыслу. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. В репозитории указаны веса PyTorch и использование через Sentence-Transformers. Лицензия в предоставленных данных не указана.

Qwen3-Embedding-4B-mxfp8 — текстовая модель для получения эмбеддингов, опубликованная mlx-community и преобразованная в формат MLX из Qwen/Qwen3-Embedding-4B с помощью mlx-embeddings 0.0.3. Она предназначена для семантического поиска, сравнения предложений и извлечения признаков из текста; эмбеддинги можно использовать, например, в поисковых системах и системах подбора релевантных документов. Модель основана на плотной архитектуре Qwen3, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. Для запуска в экосистеме MLX README указывает библиотеку mlx-embeddings.

Карточка модели Barleysack/rtdb_embedder на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

ricardo-filho/sbertimbau-large-allnli-mnrl — модель Sentence-Transformers на архитектуре BERT, созданная для получения плотных векторных представлений предложений и абзацев. Она кодирует текст в векторы размерности 1024 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. Контекст ограничен 512 токенами. В репозитории представлены веса PyTorch; для использования подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

manu/sentence_croissant_alpha_v0.3 — модель эмбеддингов на базе архитектуры Llama, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 2048 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит 1,3 млрд параметров, принимает текст, выдаёт векторы и поддерживает контекст до 2048 токенов. В README указано обучение с MultipleNegativesRankingLoss. Репозиторий создан в апреле 2024 года; веса сохранены в формате safetensors. Сведений о языках обучения, лицензии и результатах бенчмарков в предоставленных данных нет.

BahaArfaoui/setfit_industry — модель на базе MPNet, разработанная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 136,7 млн параметров и принимает до 514 токенов контекста. Модель обучалась с функцией потерь CosineSimilarityLoss и доступна в формате PyTorch для использования с библиотекой Sentence-Transformers. Карточка описывает применение к предложениям и абзацам, но не уточняет языки обучающих данных и специализацию названия «industry». Лицензия в предоставленных данных не указана.

chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Карточка модели Muennighoff/SGPT-5.8B-weightedmean-nli-bitfit на Hugging Face совпадает с карточкой Muennighoff/SGPT-5.8B-weightedmean-msmarco-specb-bitfit, поэтому описание составлено по ней. Muennighoff/SGPT-5.8B-weightedmean-msmarco-specb-bitfit — модель эмбеддингов предложений на архитектуре GPT-J, обученная для оценки сходства текстов. Она предназначена для поиска семантически близких предложений и документов, ранжирования результатов и построения поисковых систем. В README указано обучение с MultipleNegativesRankingLoss и косинусной мерой сходства; метаданные отмечают поддержку эмбеддингов и задачи sentence similarity. Контекст составляет 2048 токенов, формат весов — PyTorch. Модель опубликована под лицензией MIT.

mrp/SimCSE-model-WangchanBERTa-V2 — модель эмбеддингов предложений на архитектуре CamemBERT, опубликованная пользователем mrp. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель обучалась с MultipleNegativesRankingLoss и косинусной мерой сходства; для работы можно использовать Sentence-Transformers или Transformers с подходящей операцией pooling. Веса представлены в формате PyTorch; размер модели — 132,5 млн параметров, контекст — до 512 токенов. README посвящён WangchanBERTa V2, однако языковая поддержка в предоставленных сведениях явно не перечислена. Лицензия в доступных данных не указана.

vitthalbhandari/simcse_retrain_edos_10k — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусным сходством ориентирует модель на получение векторов, отражающих семантическую близость текстов. Модель содержит около 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Её можно использовать через Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не сообщает о специализированной области применения или поддерживаемых языках. Лицензия в предоставленных данных не указана.

SimCSE-RetroMAE-Small — компактная модель семантических эмбеддингов, разработанная Seznam.cz и дообученная на основе Seznam/retromae-small-cs с objective SimCSE. Она предназначена для оценки смыслового сходства предложений и может применяться в поиске похожих текстов, семантическом поиске, извлечении документов, кластеризации и классификации. Модель построена на архитектуре BERT, содержит 27,2 млн параметров и обрабатывает входной текст с контекстом до 512 токенов. Основной язык — чешский. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0.

Arctic-TILT — компактная модель Snowflake для понимания деловых документов. Это encoder-decoder Transformer семейства TILT; метаданные указывают 435,6 млн параметров, тогда как README приводит 822 млн. Модель предназначена для ответов на вопросы по документам и извлечения ключевой информации. Разработчики заявляют высокую эффективность и обработку длинного контекста, а также результаты, сопоставимые с моделями, которые в 1000 раз больше, на одной GPU с 24 ГБ памяти. Для работы модель оптимизирована под vLLM и требует специального планировщика и препроцессора TiltPreprocessor, код и примеры которого размещены в репозитории Snowflake-Labs/arctic-tilt. Указан формат весов safetensors. Лицензия и поддерживаемые языки в предоставленных данных не описаны.

Карточка модели ITESM/st_demo_2 на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

BlueAvenir/sti_workplace_new_prompting_0_1 — модель семейства XLM-RoBERTa на базе Sentence-Transformers, разработчик в карточке не раскрыт. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 305,2 млн параметров, принимает текст и имеет контекстное окно 514 токенов. В README указано обучение с CosineSimilarityLoss; доступны веса PyTorch и использование через Sentence-Transformers или Transformers с соответствующим pooling. Модель подходит для поиска семантически близких текстов и группировки текстовых данных. Карточка не сообщает языковой охват и лицензию, поэтому их нельзя уточнить.

Карточка модели aakrati-agrawal/text-embedding-allmini на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

ClovenDoug/tiny_64_all-MiniLM-L6-v2 — модель Sentence Transformers на архитектуре BERT, разработанная ClovenDoug. Она преобразует предложения и абзацы в плотные векторы размерностью 64 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. Модель получена дистилляцией all-MiniLM-L6-v2 с исходным пространством векторов размерностью 384; более компактные векторы ускоряют сравнение сходства, при этом время инференса, согласно карточке, остаётся примерно таким же. Модель содержит 25,9 млн параметров, принимает текст и выдаёт векторы. Контекст ограничен 512 токенами. Доступны веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

swardiantara/two-stage-k10-MiniLM-L6-v2 — модель Sentence-Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска и кластеризации текстов, а также сравнивать смысловую близость предложений. Модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучалась с ContrastiveLoss, использующей косинусное расстояние. В карточке не указаны языки обучения и оценки качества, поэтому нельзя подтвердить её пригодность для конкретного языка или домена. Файлы представлены в формате safetensors; лицензия в предоставленных данных не указана.

UTC-DeBERTa-small — универсальный классификатор токенов от Knowledgator на базе DeBERTaV3-small. Модель дообучена на нескольких задачах разметки токенов и задачах, которые можно представить в таком виде; карточка описывает её как prompt-tuned. В репозитории указаны архитектура DeBERTa-v2, 155 млн параметров и контекст до 512 токенов. Модель предназначена для извлечения сущностей и другой информации из текста. Она поддерживает zero-shot распознавание именованных сущностей и может применяться к ответам на вопросы, извлечению отношений, разрешению кореференции, очистке и суммаризации текста. В бенчмарке CrossNER приведены результаты на нескольких предметных категориях, включая ИИ, литературу, музыку, политику и науку. Модель принимает английский текст и выдаёт разметку токенов. Для запуска рекомендуется Transformers pipeline `ner`. Доступна по лицензии Apache-2.0; результаты могут зависеть от формулировки запроса и типа текста.

Nhat1904/4-shot-twitter — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Она обучалась с функцией потерь CosineSimilarityLoss и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

All-MiniLM-L6-v2-Embedding-GGUF — модель для создания векторных представлений текста на основе sentence-transformers/all-MiniLM-L6-v2. Исходную модель разработала команда Sentence Transformers, а преобразование в формат GGUF выполнила Second State Inc. Модель предназначена для извлечения признаков, оценки семантического сходства предложений, поиска и других задач, где требуется сравнивать текстовые эмбеддинги. Модель работает с английским языком, имеет контекст размером 384 токена и размер вектора 256. Она доступна в нескольких вариантах квантования GGUF с разрядностью от 2 до 8 бит и размером файлов примерно от 19,2 до 45,9 МБ. Вариант Q4_K_M рекомендован как сбалансированный по размеру и качеству, а Q5_K_M и Q5_K_S обеспечивают более низкие потери качества. Более агрессивное квантование уменьшает размер, но может заметно ухудшать результаты. Модель рассчитана на локальный запуск, в том числе через LlamaEdge версии 0.8.2 и выше, и подходит для компактных систем с ограниченными ресурсами. Она не предназначена для генерации текста или диалогов; README не содержит сведений о точной архитектуре, числе параметров и результатах benchmark-тестов. Распространяется по лицензии Apache-2.0.